在高速电磁轨道发射等场景中，科研人员常需同时采集光学、红外和声学信号，以获取结构在复杂工况下的瞬态变化。然而，对于极端瞬态事件的测试，光速远快于声速，不同传感器采集的信号之间往往存在未知的时间或语义错位，导致光学信号和声学响应并非真正“同步”。为解决这一难题，研究团队提出了一种机器学习驱动的异质数据对齐架构，实现了光学与声学信号的精准自动对齐，为高速瞬态工况下多参量协同原位测试提供了新方法。

例如，在瞬态电弧检测中，只有当声学信号与光学响应正确对齐时，基于声学响应训练的检测模型表现才最好（图1）；一旦偏离真实对齐点，模型性能明显下降。通过设计一种无监督对齐架构，以监督学习模型为内核，输入存在时间偏移的一组数据，可预测另一组异源数据的语义标签。测试精度最高（或回归误差最小）时的时间偏移，即为最佳对齐参数，该对齐过程无需人工标注对齐参数。

图1 原位载流摩擦测试与异源数据对齐架构

为验证效果，团队在高速载流摩擦工况下采集了光、声信号并开展对齐实验（图2）。结果显示，基于该架构获取的时间偏移与冲击实验、电弧点火器辅助实验测得的参考范围高度吻合，模型测试精度超过90%，对齐精度达毫秒级。此外，声学响应实际上滞后于光学响应，这意味着声学信号反映的电弧事件出现在电弧发生之后。这一发现为揭示基于声学的电弧检测提供了重要依据，也凸显了该架构在高速瞬态测试中的应用价值。

图2 对齐架构的验证

实际应用中，可获取的训练数据往往极为有限。为此，团队提出了二级对齐策略。即使只有50组小样本，该架构仍能保持稳定的对齐性能，远超传统互相关算法（图3）。此外，该架构既适用于分类也适用于回归，兼容传统机器学习、时间序列模型和卷积神经网络，并支持表格、时序、图像等数据与语义标签或特征向量的对齐。这说明“监督学习模型能自感知两数据流匹配度”这一性质具有广泛适用性，为神经网络建模提供了新范式。该项研究提出了异源数据对齐的新范式，解决了传统互相关算法适用性差、超高速信号对齐难的痛点，为极端瞬态工况原位测试中的信号含义提取和多模态数据融合提供了科学基础。

图3 对齐架构的推广

论文得到国家自然科学基金青年A类项目、原创探索计划项目延续资助、国家重点研发计划项目的资助，以“Machine Learning-driven Alignment Architecture of Heterogeneous Data with Transient Varying Semantics”为题在线发表于Nature Communications。博士生李超凡为第一作者，马志超教授为通讯作者，任露泉院士和赵宏伟教授给予理论指导和技术支持。

论文链接: //www.nature.com/articles/s41467-026-72377-w